本文提出了一种基于部件图卷积网络的人体动作识别模型，该模型将骨骼图分为四个子图，并使用相对坐标和时间位移代替 3D 关节点特征，相对于使用整个骨骼图的模型，能够提高识别性能，实现了对挑战性基准数据集 NTURGB+D 和 HDM05 的骨骼动作识别的最先进水平。

Sep, 2018

本文介绍了一种基于迭代图滤波的框架，用于 3D 人体姿势估计，并通过高斯 - 塞德尔迭代法设计了 Gauss-Seidel 网络架构，利用邻接修正和跳跃连接等方法改善模型性能。实验结果表明，该方法在两个标准数据集上都超过了其他基准方法，达到了最先进性能。

Jul, 2023

本文提出了一种名为 G3D 的统一的空时图卷积算子方法和一种简单的多尺度图卷积方法，用于在神经网络中捕捉图像、模型人体动态的长程、多级别、空时依赖模型关系，以此提高特征抽取器效果，实验结果表明，该算法在三个大规模数据集上优于目前最先进的方法。

Mar, 2020

本文提出了一种基于高阶正则分裂图网络（RS-Net）的 2D-to-3D 人体姿态估计方法，通过矩阵分裂和权重调节等方法来捕捉贯穿身体骨骼的长距离依赖，并学习不同的调制向量和调制矩阵来帮助调整图结构，该方法在两个基准数据集上实现了优异的性能。

May, 2023

本文提出一种基于有向图模型的 U 型结构的条件有向图卷积网络，用于从单目视频中进行 3D 人体姿势估计，实验结果表明有向图模型可以更好地利用人体骨骼的层次结构，而条件连接可以为不同的姿态产生自适应的图拓扑。

Jul, 2021

该论文提出了一种共生图神经网络模型来解决三维骨架动作识别和运动预测两个问题，并采用双骨图和多尺度图卷积网络提取空间和时间特征以及捕捉身体结构之间的关系，实验结果表明，该模型的表现优于现有方法。

Oct, 2019

通过对图形卷积网络中的拆分、变换、合并策略进行重新设计，我们构建了一个简单而高度模块化的图形卷积网络体系结构，用于骨架序列处理中的动作识别，并证明了其优于现有基于深度学习的方法。

Nov, 2020

构建了指向性扩散图进行动作建模，引入了活动分割策略以优化图卷积核的权重共享机制，提出了时空同步编码器用于嵌入同步时空语义，并通过在三个公共数据集上的实验验证了我们方法的最先进性能。

Aug, 2023

提出了一种基于空间 - 时间图卷积网络 (ST-GCN) 的骨架识别模型，该模型能够在不借助人工干预的情况下自动学习骨架在空间和时间上的表现，并且在动作识别以及泛化能力方面远优于之前的方法。

Jan, 2018

从稀疏传感器数据中估计 3D 全身姿势是增强现实和虚拟现实中用于重建真实人体动作的关键技术之一。本文提出了一种基于 Body Pose Graph (BPG) 的新型全身动作重建框架，通过将人体表示为图形缺失节点预测问题来解决稀疏传感器信号到全身动作的转换挑战，在利用时间和空间信息处理了可识别关节点的特征后，通过图神经网络进一步改进 BPG 节点特征，实现了领先于其他基准方法的最先进性能。

Jan, 2024